Siirry pääsisältöön
OpenAI

9. heinäkuuta 2026

TuoteTiedote

GPT‑5.6: Rajat ylittävä älykkyys, joka kasvaa kunnianhimosi mukana

Enemmän älykkyyttä jokaisesta tokenista, vahvempaa suorituskykyä dollaria kohden ja lisää kyvykkyyttä vaativimpaan työhösi tarpeen mukaan.

Ladataan...

Julkaisemme GPT‑5.6-malliperheen yleisesti saataville rajoitetun esikatselumme jälkeen: mukana ovat uusi lippulaivamme Sol, Terra, tasapainoinen malli jokapäiväiseen työhön, sekä Luna, kustannustehokkain mallimme.

GPT‑5.6 Sol asettaa uuden standardin sekä älykkyydelle että tehokkuudelle ja saavuttaa huipputason tuloksia koodauksessa, tietotyössä, kyberturvallisuudessa ja tieteessä, samalla kun se päihittää aiemmat ja kilpailevat edistyneet mallit vähemmillä tokeneilla ja alhaisemmilla arvioiduilla kustannuksilla. Tuloksena on vahvempi suorituskyky käytettyä dollaria kohden: enemmän onnistunutta työtä samoilla kustannuksilla tai vertailukelpoisia tuloksia pienemmillä kokonaiskustannuksilla. Esittelemme myös uuden tavan nopeuttaa kaikkein vaativinta työtä: ultra on tehokkain ja kyvykkäin asetuksemme, joka koordinoi useita agentteja rinnakkaisissa työvirroissa, jotta monimutkaiset tehtävät valmistuvat nopeammin. Parempi tietokoneen käyttö ja suunnitteluarviointikyky tekevät GPT‑5.6 Sol -mallista tähän mennessä hiotuimman yhteistyökumppanimme, joka auttaa tarkistamaan, viimeistelemään ja toimittamaan käyttövalmiita tuloksia.

Koulutimme GPT‑5.6:n saamaan enemmän hyödyllistä työtä irti jokaisesta tokenista. Agents’ Last Exam(avautuu uudessa ikkunassa)-arvioinnissa, jossa arvioidaan pitkäkestoisia ammatillisia työnkulkuja 55 alalla, GPT‑5.6 Sol saavuttaa uuden ennätystuloksen 53,6 ja päihittää Claude Fable 5:n (mukautuva päättely) 13,1 pisteellä. Jopa keskitason päättelyllä se päihittää Fable 5:n 11,4 pisteellä arviolta noin neljännesosalla kustannuksista. Tämä tehokkuus ulottuu myös pienempiin malleihin, jotka ovat olennaisia tekemään älykkyydestä laajemmin saatavilla olevaa ja edullisempaa: GPT‑5.6 Terra ja GPT‑5.6 Luna suoriutuvat paremmin kuin Fable 5 noin kuudestoistaosalla kustannuksista. Artificial Analysis Intelligence(avautuu uudessa ikkunassa) -indeksissä, joka on laaja agenttityötä, koodausta, tieteellistä päättelyä ja yleisiä kyvykkyyksiä kattava älykkyyden mittari, GPT‑5.6 Sol maksimitason päättelyllä jää vain yhden pisteen päähän Fable 5:stä ja suorittaa tehtävät 61 % lyhyemmässä ajassa noin puolella arvioiduista kustannuksista.

Agenttien viimeinen koe(avautuu uudessa ikkunassa): pitkäkestoiset agenttipohjaiset työnkulut eri ammattialoilla.

GPT‑5.6 julkaistaan tähän mennessä vankimpien suojatoimiemme kanssa, ja ne on suunniteltu kestämään määrätietoista ja mukautuvaa väärinkäyttöä rajoittamatta laajasti oikeutettua työtä. Ennen yleistä saatavuutta testasimme mallit ja suojatoimet tähänastisen laajimman arviointijaksomme aikana yhdistämällä ihmisten tekemän hyökkäävän tietoturvatestauksen laajamittaiseen automatisoituun testaukseen. Ennakkokäyttövaiheen aikana teimme tiivistä yhteistyötä asiantuntijaorganisaatioiden ja luotettujen kumppaneiden kanssa testataksemme suojauksia vaativissa olosuhteissa ja vahvistaaksemme suojatoimia ennen laajempaa julkaisua. Tuloksena syntyvä järjestelmä yhdistää malliin koulutetut suojaukset reaaliaikaisiin tarkistuksiin, valvontaan ja luottamuksen sekä riskin mukaan mukautettuun käyttöoikeuteen.

Tehokas oletuksena, huippusuorituskyky tarvittaessa

GPT‑5.6 Sol on tähän mennessä paras koodausmallimme. Artificial Analysis Coding Agent -indeksissä GPT‑5.6 Sol maksimipäättelyllä asettaa uuden huipputason tuloksella 80, mikä on 2,8 pistettä enemmän kuin Fable 5:n tulos, samalla kun se käyttää alle puolet tulostokeneista, vie alle puolet ajasta ja maksaa noin kolmanneksen vähemmän. Tämä etu ulottuu koko malliperheeseen: Terra suoriutuu hieman Fable 5:tä paremmin, kun taas Luna suoriutuu Opus 4.8:aa paremmin. Kumpikin tekee tämän noin kolmasosassa ajasta, noin puolella määrällä tulostokeneita ja noin neljäsosalla arvioiduista kustannuksista. Se saavuttaa myös uusia huipputason tuloksia Terminal‑Bench 2.1:ssä ja DeepSWE:ssä, jotka testaavat monimutkaisia komentorivityönkulkuja sekä pitkän aikavälin suunnittelua ja kehitystä todellisissa koodikannoissa.

Artificial Analysis Coding Agent -indeksi: riippumaton koodausagenttien suorituskykyindeksi toteutuksessa, päätteen käytössä ja todellisissa koodikannoissa.

GPT‑5.6 voi kirjoittaa ja suorittaa kevyitä ohjelmia, jotka koordinoivat työkaluja, käsittelevät välituloksia, seuraavat edistymistä ja valitsevat seuraavan toimenpiteen työn edetessä. Tämä mahdollistaa paljon työkaluja käyttävien tehtävien etenemisen vähemmillä tokeneilla, harvemmilla mallin edestakaisilla kierroksilla ja vähemmällä ohjauksella. Sen sijaan, että kehittäjien pitäisi skriptata jokainen vaihe tai välittää jokainen työkalun vastaus takaisin mallin kautta, Responses API:ssa Programmatic Tool Calling(avautuu uudessa ikkunassa) voi suodattaa suuria määriä välivaiheen dataa, säilyttää vain olennaisen ja mukauttaa työnkulkuaan matkan varrella.

Tehtävissä, joissa suurempi ajan ja laskentatehon panostus palkitaan, GPT‑5.6 voi ylittää tämän tehokkaan oletusarvon. max antaa GPT‑5.6:lle vielä enemmän aikaa kuin xhigh päättelyyn ja vaihtoehtojen tutkimiseen, tarkistusten suorittamiseen ja toimintatapansa muokkaamiseen. ultra menee pidemmälle koordinoimalla oletuksena neljää agenttia rinnakkain, jolloin tokenien suurempi käyttö vaihdetaan vahvempiin tuloksiin ja lyhyempään tulosten saavuttamisaikaan vaativissa tehtävissä. Alla olevissa kaavioissa verrataan ultran oletusarvoista neljän agentin kokoonpanoa yhden agentin perustasoon BrowseComp-, SEC-Bench Pro- ja Terminal-Bench 2.1 -vertailuissa. BrowseComp ja SEC-Bench Pro näyttävät myös 16 agentin kokoonpanot. Kaikissa kolmessa arvioinnissa rinnakkaisten agenttien lisääminen siirtää tulos-viive-rajaa ylöspäin ja vasemmalle, jolloin saavutetaan vahvempia tuloksia lyhyemmässä ajassa. API:ssa kehittäjät voivat rakentaa ultran kaltaisia käyttäjäkokemuksia käyttämällä Responses API:n moniagentti-betaversiota.

1 / 11
GPT‑5.6 on yksi vahvimmista malleista, joita olemme testanneet CursorBench-vertailussa, ja se saavuttaa vakuuttavia tuloksia alustavissa arvioinneissa. Se on kehittäjille innostava askel eteenpäin kestävyyden, älykkyyden ja kokonaistehokkuuden parantamisessa. Odotamme innolla, että voimme tarjota tämän mallin Cursor-käyttäjillemme.
—Oskar Schulz, Cursorin pääjohtaja

Harppaus eteenpäin muotoilussa

GPT‑5.6 tuo merkittävän harppauksen suunnitteluarviointiin. Jo pelkän ylätason ohjauksen perusteella GPT‑5.6 luo tyylikkäitä, ergonomisia ja toimivia käyttöliittymiä. Sen vahvemmat tietokoneen käyttöön liittyvät kyvyt antavat sen tarkastella ja hienosäätää renderöityä lopputulosta – ei pelkästään tuottaa taustalla olevaa koodia tai sisältöä – joten se voi havaita visuaaliset ja toiminnalliset ongelmat sekä tehdä viimeistelyt ennen työn palauttamista.

Kehote: voitko toteuttaa minulle 3D-purjehduspelin? Kaikkeen, mikä tarvitsee bittikarttoja/tekstuureja/spritejä (tai jos mallireferenssistä on apua rakentamiasi 3D-malleja varten), voit vapaasti käyttää imagegen-työkalua.

GPT‑5.6:n käyttöliittymäominaisuudet muuntavat myös luonnollisella kielellä esitetyt pyynnöt viimeistellyiksi, interaktiivisiksi selityksiksi ja visualisoinneiksi ChatGPT Work -ympäristössä.

kehote: luo interaktiivinen spirografi, joka selittää, miten se toimii

Tietotyö alusta loppuun

GPT‑5.6 tuottaa parempia tuloksia ammattimaisissa tehtävissä. Se ottaa dokumenteistasi ja päivittäisistä työnkuluistasi, kuten Slackista, Notionista, Microsoft 365:stä ja Google Drivesta, peräisin olevan hajanaisen kontekstin ja muuntaa sen asiantuntijatasoisiksi jaettaviksi tuotoksiksi.

GPT‑5.6:n vahvuus tietotyössä näkyy arvioinneissa, jotka kattavat pitkäkestoisen ammattimaisen analyysin, verkkoselailun, työkalujen käytön ja tietokoneen käytön. GPT‑5.6 Sol saavuttaa uudet huipputulokset BrowseComp –vertailussa 92,2 %:lla ja OSWorld 2.0 –vertailussa 62,6 %:lla; OSWorldissa se päihittää Opus 4.8:n käyttäen 85 % vähemmän tulostokeneita. Tässä parannukset suorituskyvyssä dollaria kohden ulottuvat koko GPT‑5.6-tuoteperheeseen. Luna vastaa lähes GPT‑5.5:n huippusuorituskykyä alle puolella arvioiduista kustannuksista, kun taas Terra päihittää sen vielä pienemmillä kustannuksilla.

BrowseComp: GPT‑5.6 Sol saavuttaa uuden huipputason BrowseCompissa, joka koostuu agenttipohjaisista selaustehtävistä.

GPT‑5.6 Sol parantaa esitysten, asiakirjojen ja laskentataulukoiden laatua, tuottaen viimeistellympiä ja tarkempia tuloksia. Se pystyy luomaan alusta alkaen täysin muokattavia esityksiä ja muuntamaan kehotteen ja lähdemateriaalin yhtenäiseksi visuaaliseksi kerronnaksi, jossa on selkeät asettelut, hierarkia ja muotoilu.

Parannus on erityisen selvä, kun noudatetaan mallipohjia ja viite-esityksiä. GPT‑5.6 osaa päätellä diaesityksen suunnittelujärjestelmän – asettelut, typografian, välit, värit ja toistuvat sisältömallit, mukaan lukien Dian perustyyliin upotetut säännöt – ja soveltaa näitä käytäntöjä johdonmukaisesti uuteen materiaaliin. Tässä esimerkissä, kun lukuja pyydetään päivittämään viitetiedoston perusteella, GPT‑5.5:n tuotoksesta puuttuu keskeisiä osia perusdiasta, kun taas GPT‑5.6 noudattaa viiterakennetta uskollisemmin.

Viitetiedosto
Syöttödia GPT-5.6:n tyylin sovittamiseen
GPT‑5.5:n tuotos
GPT-5.5:n tuotosdia tyylin sovittamista varten

GPT‑5.5:stä puuttuu dian perustyylin keskeiset osat

GPT‑5.6:n tuotos
GPT-5.6:n tuotosdia tyylin sovittamista varten

GPT‑5.6 luo myös visuaalisesti viimeistellympiä asiakirjoja ja laskentataulukoita. Se noudattaa monimutkaisia viitemuotoja tarkemmin, mikä on tärkeää toistettavissa olevissa tietotyön tehtävissä. Se käsittelee yhtälöitä ja taloudellisia malleja entistä tarkemmin ja hyödyntää paremmin typografiaa, välistystä, hierarkiaa sekä sivun tai laskentataulukon asettelua.

Ensimmäiset GPT‑5.6:ta testanneet asiakkaat havaitsivat parannuksia tietotyön tuotoksissa eri aloilla.

1 / 9
GPT‑5.6 on huomattavan tehokas pitkissä ja monimutkaisissa työnkuluissa, joita tuotantotasoisten sovellusten rakentaminen edellyttää. Yhtenä Lovablen nykyisin käyttämistä malleista se tuottaa käyttäjille tuloksia noin 25 % vähemmillä vaiheilla ja 35–48 % vähemmillä työkalukutsuilla kuin edellinen malli. Samalla se parantaa projektien onnistumista ja vähentää jumittuneita suorituksia 15 %:lla. Se on merkittävä ero kaikille, jotka yrittävät siirtyä ideasta toimivaan sovellukseen.
– Fabian Hedin, Lovablen perustaja

Rajojen ylittäminen verkossa ja tieteessä

GPT‑5.6 on vahvin kyberturvallisuusmallimme tähän mennessä, ja se saavuttaa edistyneimmän tason suorituskyvyn merkittävästi pienemmällä tokenien määrällä. ExploitBench2 -vertailutestissä, joka mittaa edistymistä haavoittuvan koodin saavuttamisesta sattumanvaraisen koodin suorittamiseen asti, se saa tulokseksi 73,5 % verrattuna GPT‑5.5:n 47,9 %:iin vastaavalla tulostokenien budjetilla. ExploitGym3, joka pyytää agentteja muuttamaan reaalimaailman haavoittuvuudet toimiviksi hyödyntämisiksi, se lähes kaksinkertaistaa GPT‑5.5:n huippuläpäisyasteen, 15,1 %:sta 24,9 %:iin kahden tunnin enimmäisrajan puitteissa; kuudessa tunnissa se nousee 33,7 %:iin. SEC-Bench Pro, -testissä, joka testaa proof-of-concept -luontia monimutkaisissa ohjelmistoissa, sen tulos on 71,2 % verrattuna GPT‑5.5:n 45,8 %:iin parannetulla viiveellä.

GPT‑5.6 tukee tärkeitä puolustustehtäviä, kuten tietoturvallista koodikatselmointia, korjausten tekemistä, uhkamallinnusta ja blue teaming -toimintaa. OpenAI Daybreakin Trusted Access for Cyber -ohjelmaan hyväksytyt henkilöt ja organisaatiot voivat käyttää sen puolustuskykyä laajemmin tarkempien suojatoimien avulla valtuutetuissa ympäristöissä. Näihin kuuluvat haavoittuvuuksien luokittelu ja validointi, haittaohjelma-analyysi, havaitsemistekniikan kehittäminen sekä korjauspäivitysten validointi.

Yksityishenkilöt voivat vahvistaa henkilöllisyytensä ja pyytää luotettua käyttöoikeutta(avautuu uudessa ikkunassa), ja organisaatiot voivat tehdä hakemuksen tiimiensä puolesta. Yksittäisten jäsenten on otettava käyttöön Edistynyt tiliturva(avautuu uudessa ikkunassa) laitteistotuetuilla todentamisavaimilla 1.9. mennessä säilyttääkseen pääsyn kaikkein kyberkyvykkäimpiin edistyneisiin malleihimme; niiden, jotka eivät tee niin, käyttöoikeus palautuu oletustasolle. Käyttäjät, joilla ei vielä ole laitteistotuettuja todentamisavaimia, voivat saada kumppaniltamme Yubicolta etuhinnan(avautuu uudessa ikkunassa). Toteutamme myös lisätoimia rajoittaaksemme pääsyä korkean riskin toimijoilta ja korkean riskin lainkäyttöalueilla.

ExploitBench: kehitetään asteittain kyvykkäämpiä V8-hyökkäyskoodeja; GPT‑5.6 osoittaa selvää parannusta GPT‑5.5:een verrattuna. Viivekaaviota ei näytetä, koska viiveen arviointi on epäluotettavaa tässä vertailutestissä.

GPT‑5.6 Sol osoittaa myös laaja-alaisia parannuksia tieteellisessä tutkimuksessa. Biotieteiden arvioinneissa GPT‑5,6 osoittaa Pareto-parannuksia GPT‑5.5:een verrattuna todellisissa biologian, biotieteiden tutkimustyönkuluissa ja kemiassa.

GeneBench Pro: Pitkän aikavälin genomiikan ja kvantitatiivisen biologian analyysit; GPT‑5.6 saavuttaa parempia tuloksia vähemmillä tokeneilla ja lyhyemmässä ajassa. Claude Fable 5 ei ole mukana, koska se ei vastaa(avautuu uudessa ikkunassa) edistyneisiin biologian kysymyksiin ja kieltäytyy vastaamasta suurimpaan osaan tämän arvioinnin kysymyksistä.

GPT‑5.6 nopeuttaa OpenAI:n toimintaa

GPT‑5.6 on tähän mennessä vahvin mallimme tekoälytutkimuksen vauhdittamiseen. OpenAI:ssa tutkijat käyttävät sitä koko kehityssyklin ajan: vikojen diagnosointiin, koulutusjärjestelmien optimointiin, kokeiden suorittamiseen ja tulosten tulkitsemiseen. Näimme jo tämän kiihtymisen ja vahvemman käyttöönoton GPT‑5.6:n sisäisen testausjakson aikana: aktiivista tutkijaa kohti laskettu keskimääräinen päivittäinen tulostokenien määrä oli yli kaksinkertainen GPT‑5.5:ssä havaittuun korkeimpaan määrään nähden.

Tästä työskentelytavasta on nopeasti tulossa vakiokäytäntö. Viimeisten kuuden kuukauden aikana sisäiseen koodausinferenssiin osoitettu osuus tutkimuslaskentaresursseista kasvoi 100-kertaiseksi, samalla kun sisäinen agenttinen token-käyttö kasvoi noin 22-kertaiseksi. Nämä käyttöönoton mittarit eivät itsessään mittaa tutkimuksen edistymistä, mutta ne osoittavat, kuinka nopeasti tekoälyapu yleistyy tutkimuksessa ja muissa tiimeissä, kuten myynnissä, markkinoinnissa, käyttäjätoiminnoissa, taloudessa ja muilla aloilla.

Tämän kyvykkyyden suoraa mittaamista varten kehitimme sisäisen arviointisarjan, joka perustuu todellisiin tekoälytutkimuksen tehtäviin, kuten tutkimusjärjestelmien virheenkorjaukseen, kerneleiden ja koulutusreseptien optimointiin, koneoppimiskokeiden suorittamiseen sekä toisen mallin parantamiseen.

Kokonais-RSI-kyvykkyys: arviointikokonaisuudessa, joka mittaa edistymistä kohti rekursiivista itseparantamista, havaitsemme GPT‑5.6 Solin olevan 16,2 pisteen parannus verrattuna GPT‑5.5:een, mikä vauhdittaa sisäistä tutkimusta laaja-alaisesti.

Turvallisuuden ja tietoturvan skaalaaminen kyvykkäästi 

Kun mallien kyvykkyydet kasvavat, vahvistamme turvallisuuspinoamme, jotta voimme laajasti hyödyntää kehittynyttä älykkyyttä samalla, kun kohdistamme tiukempaa tarkastelua korkeimman riskin käyttötarkoituksiin. Rakensimme GPT‑5.6:ta varten tähän mennessä vankimman turvallisuusjärjestelmämme, joka on kalibroitu kunkin mallin kyvykkyyksiä vastaavaksi ja jonka taustalla on enemmän laskentaresursseja kuin koskaan aiemmin.

GPT‑5.6‑mallit ovat kyvykkäämpiä kuin aiemmat mallimme sekä biologiassa että kyberturvallisuudessa, mutta ne eivät ylitä kriittistä kynnystä kummassakaan kategoriassa. Kyberturvallisuudessa GPT‑5.6 on testiemme perusteella parempi löytämään ja korjaamaan haavoittuvuuksia kuin toteuttamaan luotettavasti autonomisia, alusta loppuun vietyjä hyökkäyksiä kovennettuja kohteita vastaan – mikä antaa puolustajille mahdollisuuden vahvistaa järjestelmiä ennen kuin niiden heikkouksia hyödynnetään. Biologian alalla testiemme perusteella vaikuttaa siltä, että GPT‑5.6 voi tukea hyväksyttävää tutkimusta, mutta se ei tarjoa kokonaisvaltaisia valmiuksia, joita tarvittaisiin erittäin vaarallisen uudenlaisen uhan luomiseen, kehittämiseen tai syntetisointiin.

Molemmat alat ovat olennaisesti kaksikäyttöisiä. Kyberturvallisuudessa samat kyvykkyydet, jotka voisivat auttaa hyökkääjää hyödyntämään haavoittuvuutta, voivat auttaa puolustajaa löytämään sen, toistamaan sen ja kehittämään siihen luotettavan korjauksen. Liiallinen estäminen luo siis oman tietoturvariskinsä. Se voi estää puolustajia testaamasta järjestelmiä ja ottamasta korjauspäivityksiä käyttöön samalla, kun haitalliset toimijat jatkavat muiden mallien, mukaan lukien yhä kyvykkäämpien avoimen lähdekoodin mallien, sekä vakiintuneiden työkalujen käyttöä. Tehokkaat suojatoimet ottavat huomioon pyynnön asiayhteyden ja todennäköiset seuraukset, säilyttäen oikeutetun puolustustyön mahdollisuuden samalla, kun tiukempia valvontatoimia sovelletaan tilanteissa, joissa näyttö viittaa vakavaan haitan riskiin.

GPT‑5.6:n suojatoimet ovat monikerroksisia tarkkuuden ja redundanssin parantamiseksi, ja ne on suunniteltu mukautumaan nopeasti uusien hyökkäysten ilmaantuessa. Malliin koulutetut suojausmekanismit toimivat yhdessä reaaliaikaisten tarkistusten, jatkuvan valvonnan ja tilitason valvontatoimien kanssa, jotta järjestelmä pysyy turvallisena silloinkin, kun yksittäinen taso ei toimi tarkoitetulla tavalla. Monissa järjestelmissä pelkät luokittelijan tunnisteet ratkaisevat, mitä estetään, perustuen matalamman älykkyystason malleihin, joita on vaikeampi muuttaa haittojen ehkäisemiseksi. Lähestymistapamme lisää päättelyvalvojan, joka tarkastelee keskustelua mahdollisen haitan riskin määrittämiseksi. Tämän suunnittelun tarkoituksena on mahdollistaa puolustustoimet ja samalla estää vakava väärinkäyttö siten, että arkaluonteisimmat kyvykkyydet on rajattu vahvistetuille käyttäjille Trusted Accessin kautta. Koska jotkin suojaukset käyttävät testiaikaista päättelyä, voimme päivittää niitä nopeasti aukkojen paikkaamiseksi ilman, että luokittelijoita tarvitsee kouluttaa uudelleen alusta alkaen.

Noudatamme varovaisempaa lähestymistapaa samalla, kun jatkamme järjestelmän vahvistamista adaptiivisia hyökkäyksiä vastaan. Verrattuna aikaisempiin malleihin GPT‑5.6 Sol -mallin kyberturvatoimet estävät noin kymmenen kertaa enemmän mahdollisesti haitallista toimintaa. Koska nämä toimenpiteet voivat aiheuttaa kitkaa hyväntahtoisessa käytössä, tarjoamme ChatGPT:ssä ja Codexissa vaihtoehdon, jolla kehotteita voi helposti yrittää uudelleen vähemmän kehittyneillä malleilla, ja jatkamme suojatoimiemme vaikutuksen vähentämistä hyväntahtoisessa käytössä säilyttäen samalla Korkea luotettavuustaso. Tämä kuvastaa iteratiivista lähestymistapaamme käyttöönottoon: aloitamme varovaisesti ja parannamme toimintaa sen perusteella, mitä opimme todellisesta käytöstä.

Ennen yleistä saatavuutta suoritimme tähän mennessä perusteellisimmat turvallisuusarviointimme, mukaan lukien laajamittainen hyökkäävä tietoturvatestaus, kattava kyvykkyyksien ja suojatoimien testaus ulkoisten asiantuntijoiden kanssa sekä noin 700 000 A100e-GPU-tuntia mustalaatikkopohjaista automatisoitua hyökkäävää tietoturvatestausta. Tämä antoi meille mahdollisuuden tutkia järjestelmällisesti todennäköisiä heikkoja kohtia, tuoda esiin rajoitusten kiertäminen (jailbreak) ja auttaa meitä vahvistamaan järjestelmää ennen julkaisua.

Täydellistä turvallisuutta ei ole olemassa, ja työmme yhä kyvykkäämpien mallien suojaamiseksi jatkuu. Uusia heikkouksia löydetään, samoin kuin uusia rajoitusten kiertämiseen (jailbreak) liittyviä tapoja, jotka ohittavat nykyiset suojatoimet. Jokainen uusi mallin sukupolvi luo myös uusia keinoja hyökkäyksiin ja väärinkäyttöön. Varaudumme tähän todellisuuteen kerroksellisilla suojatoimilla, jatkuvalla valvonnalla, nopeilla korjaavilla toimilla, ja yhteistyöllä puolustavan tietoturvayhteisön kanssa. GPT‑5.6:n osalta olemme yhdistäneet olemassa olevan tietoturvan bug bounty -ohjelmamme(avautuu uudessa ikkunassa) ja biologian bug bounty -ohjelmamme uuteen nopean korjauksen prosessiin sekä vahvimpaan tähänastiseen valvontapanostukseemme. Tutkijoilta, valvonnasta ja tosielämän väärinkäytöstä saatuja havaintoja hyödynnetään jatkuvasti uusien arviointien ja vahvempien suojatoimien kehittämisessä.

Saatavuus ja hinnoittelu

GPT‑5.6 koostuu kolmesta mallitasosta: Sol, lippulaivamallimme; Terra, edullisempi malli, jonka suorituskyky on kilpailukykyinen GPT‑5.5:n kanssa; sekä Luna, nopein ja hinnaltaan edullisin mallimme. Numero ilmaisee sukupolven, kun taas Sol, Terra ja Luna ovat pysyviä kyvykkyystasoja, jotka voivat kehittyä omassa tahdissaan.

GPT‑5.6 on nyt saatavilla ChatGPT:ssä, Codexissa ja OpenAI API:ssa. Käyttöönotto alkaa nyt maailmanlaajuisesti ja etenee vaiheittain täyteen saatavuuteen seuraavien 24 tunnin aikana.

  • Keskustelu: Plus-, Pro-, Business- ja Enterprise-käyttäjät voivat käyttää GPT‑5.6 Sol -mallia keskitason ja sitä korkeammilla päättelyasetuksilla. Pro- ja Enterprise-käyttäjät voivat valita myös GPT‑5.6 Sol Pro -mallin saadakseen laadukkaimmat tulokset monimutkaisissa tehtävissä.
  • ChatGPT Work ja Codex: Free- ja Go-käyttäjät saavat käyttöönsä GPT‑5.6 Terra -mallin. Plus-, Pro-, Business- ja Enterprise-käyttäjät voivat valita GPT‑5.6 Solin, Terran tai Lunan ja asettaa kullekin päättelytason. max on saatavilla kaikille käyttäjille, joilla on pääsy GPT‑5.6:een ChatGPT Workissa ja Codexissa, ja sen voi ottaa käyttöön asetuksissa. ChatGPT Työ ultra on saatavilla Pro- ja Enterprise-käyttäjille. Codexissa se on saatavilla Plus- ja sitä korkeampien sopimusten käyttäjille.
  • API: kehittäjät voivat käyttää Solia, Terraa ja Lunaa OpenAI API:n kautta. Responses API:ssa Programmatic Tool Calling antaa GPT‑5.6:lle mahdollisuuden kirjoittaa ja suorittaa muistissa ohjelmia, jotka koordinoivat työkaluja ja käsittelevät välituloksia, tehden siitä yhteensopivan tietojen määräaikaisen säilyttämisen (ZDR) kanssa. Moniagentti on aluksi saatavilla beetaversiona, ja sen avulla GPT‑5.6 voi suorittaa aliagentteja rinnakkain ja koostaa niiden työn tulokset yhdellä pyynnöllä.

GPT‑5.6 hinnoitellaan miljoonaa tokenia kohden kolmessa mallikoossa: Sol on 5 $ syötteeltä / 30 $ tulokselta; Terra on 2,50 $ syötteeltä / 15 $ tulokselta; ja Luna on 1 $ syötteeltä / 6 $ tulokselta. GPT‑5.6 tuo myös ennakoitavamman kehotteiden välimuistin, mukaan lukien tuki nimenomaisille välimuistin katkaisupisteille(avautuu uudessa ikkunassa) sekä välimuistin vähimmäiskeston, joka on 30 minuuttia. GPT‑5.6- ja sitä uudemmissa malleissa välimuistiin kirjoitukset laskutetaan 1,25-kertaisesti mallin välimuistiin tallentamattoman syötteen hinnan mukaan, kun taas välimuistista lukemiset saavat edelleen 90 %:n välimuistiin tallennetun syötteen alennuksen.

Ammattilainen

EvalGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Fable 5Claude Opus 4.8Gemini 3.1 Pro PreviewGemini 3.5 Flash
Agenttien loppukoe527 %504%503 %469 %405 %452 %321 %
GDPval-AA v21 747,8 Elo1 593 Elo1 591,8 Elo1 493,7 Elo1 759,6 Elo1 600,1 Elo9623 Elo1 348,8 Elo
Liikkeenjohdon konsultointitehtävät (sisäiset)432 %372 %354 %313 %355 %316 %132 %
Big Finance Bench53 %51 %36 %49 %44 %
Artificial Analysis Intelligence -indeksi v4.1589 Indeksipisteet55 Indeksipisteet512 Indeksipisteet548 Indeksipisteet599 Indeksipisteet557 Indeksipisteet465 Indeksipisteet502 Indeksipisteet

Koodaus

EvalGPT‑5.6 SolGPT‑5.6 Sol UltraGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Fable 5Claude Opus 4.8Gemini 3.1 Pro Preview
Artificial Analysis Coding Agent Index v1.180 Indeksipisteet774 Indeksipisteet746 Indeksipisteet764 Indeksipisteet772 Indeksipisteet725 Indeksipisteet427 Indeksipisteet
SWE-Bench Pro646 %634 %627 %594 %803 %778 %80 %692 %542 %
DeepSWE v1.1727 %696 %672 %67 %697 %59 %118 %
Terminal-Bench 2.1888 %919 %874 %847 %856 %88 %831 %789 %707 %

Tiede

EvalGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Fable 5Claude Opus 4.8
MedChemBench483 %35 %304 %355 %
LifeSciBench599 %56 %512 %504 %
HealthBench Professional605 %577 %557 %495 %66 %647 %609 %53 %

Tietokoneen käyttö

EvalGPT‑5.6 SolGPT‑5.6 Sol UltraGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Opus 48Gemini 31 Pro Preview
OSWorld 20626 %502 %456 %475 %548 %
BrowseComp904 %922 %875 %833 %844 %88 %879 %843 %859 %
BenchCAD706 %623 %631 %444 %384 %355 %273 %
BenchCAD (Python-työkalu)834 %782 %739 %558 %65 %61 %518 %

Kyberturvallisuus

EvalGPT‑5.6 SolGPT‑5.6 Sol UltraGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Opus 4.8
Capture-the-flag -haasteet967%918%852%881%
SEC-Bench Pro712%743%577%489%458%
CyberGym845 %818 %779 %818 %838 %83 %781 %
ExploitBench735 %529 %332 %479 %78 %742 %40 %
ExploitGym337 %232 %124 %151 %

Itsensä kehittäminen

EvalGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5
Sisäinen tutkimus- ja virheenkorjausarviointi 683 % 678 % 508 % 50 %
KernelGen 1P 611 % 492 % 224 % 293 %
NanoGPT 969 % 145 % 166 % 265 %
PostTrainBench Lite 503 % 515 % 296 % 388 %
RSI-indeksi 579 % 563 % 419 % 417 %

Monimuotoinen

EvalGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Fable 5Claude Opus 4.8Gemini 3.1 Pro Preview
MMMU Pro (ei työkaluja)83 %807 %784 %812 %805 %
MMMU Pro (työkaluilla)846 %82 %795 %832 %
gdp.pdf307 %247 %227 %26 %298 %225 %167 %

Akateeminen

EvalGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Fable 5Claude Opus 4.8Gemini 3.1 Pro Preview
GPQA Diamond946 %929 %923 %936 %941 %946 %926 %92 %943 %
FrontierMath taso 1–3 (v2)89 %849 %786 %853 %87 %80 %596 %
FrontierMath taso 4 (v2)83 %683 %585 %725 %878 %561 %

Työkalun käyttö

EvalGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Fable 5Claude Opus 4.8Gemini 3.1 Pro PreviewGemini 3.5 Flash
AutomationBench181 %152 %149 %129 %174 %155 %145 %
Toolathlon58 %531 %534 %556 %617 %611 %617 %599 %488 %

Pitkä konteksti

EvalGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Opus 4.8
OpenAI MRCR v2 8-neulainen 256–512K915%896%413%815%
OpenAI MRCR v2 8-neulainen 512K–1M738 %725 %413 %74 %
GraphWalks BFS 256k f1907 %769 %813 %737 %911 %857 %859 %
GraphWalks BFS 1mil f1771 %712 %512 %454 %794 %743 %681 %

Abstrakti ajattelu

EvalGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Opus 4.8Gemini 3.1 Pro Preview
ARC-AGI-3⁷778 %08 %018 %043 %15 %042 %

Tekijä

OpenAI

Alaviitteet

1. Kyberominaisuuksia arvioidaan kevennetyin suojatoimin. Käyttäjät voivat liittyä OpenAI Daybreakin Trusted Access for Cyber -ohjelmaan saadakseen laajemman käyttöoikeuden puolustaviin kyberominaisuuksiin.

2. Kaikki mallit arvioidaan ExploitBench API -testikehyksellä, jossa käytetään 5 siementä ja päättelyn jatkuvuutta.

3. Suoritimme ExploitGymin alfa-vaiheen API-rajapinnassamme, joka palauttaa vastaukset nopeammin kuin julkinen API-rajapintamme, ja skaalasimme tulokset sitten uudelleen vastaamaan julkista API-rajapintaamme. Kun viiveitä skaalataan uudelleen vastaamaan julkiselta API-rajapinnaltamme odotettuja nopeuksia, tämä aiheuttaa sen, että jotkin arvioidut viiveet ylittävät kahden ja kuuden tunnin aikarajat, vaikka niitä noudatettiin oikein arviointiajossa. Tarjoamme aikakriittiseen työhön nopeampia prioriteettikäsittelyjä API-rajapinnassa ja nopean tilan Codexissa.

4. Arvioimme viivettä ja API-kustannuksia tarkastelemalla malliemme tuotantokäyttäytymistä ja simuloimalla offline-tilassa. Nämä arviot ottavat huomioon työkalukutsujen tiedot, näytteistetyt tokenit ja syötetokenit. Reaalimaailman tulokset voivat vaihdella huomattavasti, ja ne riippuvat monista tekijöistä, joita simulaatiomme ei kata. Simuloimme viivettä nopeilla API-nopeuksilla ja kustannuksia tavanomaisen API-hinnoittelun mukaisesti.

5. Mallit, joille ei ole raportoitu tulostokeneita, viivettä tai kustannuksia, esitetään vaakasuuntaisina pisteviivoina.

6. Moniagenttijärjestelmässä viive johdetaan juuriagentista, kun taas tulostokenien ja API-kustannusten kokonaissummat sisältävät kaikki token. Ultra suoritetaan neljällä agentilla.

7. Laskemme pisteet HealthBench Professional -julkaisussa kuvatulla virallisella pisteytysmenetelmällä, eikä niitä voi verrata Anthropicin järjestelmäkorteissa raportoituihin tuloksiin.

8. ARC-AGI-3 Opus 4.8:lle suoritettiin korkealla, eikä maksimaalisella päättelyteholla, koska tämä on ainoa julkaistu ARC-AGI-3-tulos.